记录python的scrapy爬虫——房天下!

最新推荐文章于 2024-04-10 08:38:56 发布

原创

最新推荐文章于 2024-04-10 08:38:56 发布 · 701 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#Python

本文详细介绍了在Windows10系统中如何部署Python的Scrapy爬虫框架，包括安装Visual C++ Build Tools、pywin32、创建虚拟环境Virtualenv以及安装Twisted和Scrapy。同时，还提供了抓取房天下网站房源信息的实例，涉及到项目创建、items定义、pipelines设置和User-Agent的随机化。

scrapy框架在windows10系统中的部署

安装Visual C++ Build Tools

由于在Scrapy的依赖文件库中，pywin32和Twisted的底层是基于C语言开发的，因此需要安装C语言的编译环境。对于python3.6来说，可以通过安装Visual C++ Build Tools来安装这个环境。下载地址为：https://visualstudio.microsoft.com/thank-you-downloading-visual-studio/?sku=BuildTools&rel=152

2.安装pywin32

Python资源共享群：484031800

在Windows系统中搭建Scrapy的环境，有两个第三方库不能用常规方法安装，一个是lxml，另外一个就是pywin32。这两个第三方库都不建议使用pip命令安装，均可以采用.exe安装包进行安装。

3.创建虚拟环境Virtualenv

由于在之后的Twisted和Scrapy安装中，会附带安装大量的依赖库，而这些库仅在Scrapy中会用到，平常的开发中几乎不会用。所以把他们安装到系统中会，会导致python系统的混乱，而且发布爬虫时，也不便于导出涉及的依赖库文件。

因此我们使用Virtualenv创建一个虚拟的python环境来安装Scrapy剩下的部分。

Virtualenv是Python的一个第三方库，使用它可以创造Python的虚拟环境。使用普通方法就可以安装Virtualenv：

pip install virtualenv

要让Virtualenv使用系统Python环境下的第三方库，就需要在CMD中使用下面的命令来创建虚拟环境：

virtualenv --always-copy --system-site-packages venv

创建虚拟环境后，可以使用以下的命令来激活虚拟环境：

venv\scripts\avtivate

不要关闭这个窗口，接下来的所有操作都要在这里进行。

4.安装Twisted和Scrapy

在刚才的窗口中使用pip命令进行安装即可，分别是：

pip install twisted

pip install scrapy

抓取房天下网站房源信息实例

网站url分析

1.获取所有城市url
   http://www.fang.com/SoufunFamily.htm
    例如：http://cq.fang.com/
2.新房url
  http://newhouse.sh.fang.com/house/s/
3.二手房url
  http://esf.sh.fang.com/
4.北京新房和二手房url规则不同
   http://newhouse.fang.com/house/s/
   http://esf.fang.com/复制代码

创建项目

在刚才的CMD中输入以下命令

scrapy startproject fang
scrapy genspider sfw_spider "fang.com"复制代码

sfw_spider.py

# -*- coding: utf-8 -*-
import scrapy
import re
from fang.items import NewHouseItem,ESFHouseItem
class SfwSpiderSpider(scrapy.Spider):
    name = 'sfw_spider'
    allowed_domains = ['fang.com']
    start_urls = ['http://www.fang.com/SoufunFamily.htm']
    def parse(self, response):
        trs = response.xpath("//div[@class='outCont']//tr")
        provice = None
        for tr in trs:
            #排除掉第一个td，两个第二个和第三个td标签
            tds = tr.xpath(".//td[not(@class)]")
            provice_td = tds[0]